Innovation mit Kommissionierrobotern – Adityanag Nagesh

Satish Shukla – Hallo liebe Hörerinnen und Hörer, willkommen zur brandneuen Folge von Rawbotics. Heute begrüßen wir Herrn Adityanag, Mitgründer und Chief Business Officer von Mowito, einem führenden Unternehmen im Bereich der Bildverarbeitungslösungen. Adityanag verfügt über fundierte Kenntnisse in der Informatik und bringt umfangreiche Erfahrung und Expertise in den verschiedenen Bereichen der Hardwareentwicklung mit. Herzlich willkommen zu unserem Podcast, Adityanag!   

Adityanag – Schön, hier zu sein, Satish.   

Satish Shukla – Adityanag, Sie sind Softwareingenieur, und normalerweise sieht man, dass Maschinenbau-, Elektro- oder Bauingenieure in die Softwareentwicklung wechseln. In Ihrem Fall ist ein Softwareingenieur jedoch in die Hardwareentwicklung gegangen. Könnten Sie unseren Zuhörern erzählen, wie es dazu kam?  

Adityanag – Ja, ich habe bei Sensara Technologies gearbeitet, einem anderen wertorientierten Startup im TV- und Medienbereich. Wir entwickelten Zubehör, um das Fernseherlebnis zu verbessern. Wir hatten einen TV-Guide entwickelt, den man auf sein Handy laden konnte, um herauszufinden, was auf dem jeweiligen Sender lief. Anschließend konnte man mit dem Fernseher den Kanal wechseln. Aber wir hörten von den Nutzern, dass sie eine Möglichkeit brauchten, den Kanal direkt mit der Fernbedienung zu wechseln. Und so begannen wir mit der Entwicklung von Hardware. Wir überlegten, wie wir solches Zubehör für Mobiltelefone entwickeln könnten, mit dem man den Kanal wechseln kann, ohne den Fernseher bedienen zu müssen. In fünf Jahren entwickelten wir fünf verschiedene Produkte, arbeiteten mit Unternehmen wie Xiaomi, Airtel und Panasonic zusammen und verkauften über eine halbe Million Hardware-Einheiten. So bin ich sozusagen in die Hardware-Welt eingestiegen.   

Satish Shukla – Okay, das ist eine interessante Entwicklung. Und wie kam es von der Hardware zur Bildauswahl und zu Mowito?   

Adityanag – Es war Mitte 2020, als ich Puru kennenlernte. Damals, mitten in der Corona-Pandemie, erschien ein Artikel in einer der Hauptzeitungen über Gurus Arbeit. Puru hatte in den USA studiert, gearbeitet und war dann nach Indien zurückgekehrt. Er entwickelte Navigationssoftware für autonome mobile Fahrzeuge (AMRs). Nachdem ich den Artikel gelesen hatte, kontaktierte ich ihn spontan. Wir unterhielten uns einige Monate lang. Ich hatte das Gefühl, ich sollte dabei sein. So kamen wir zusammen und gründeten Mowito. So fing alles an. Nachdem ich bei Mowito angefangen hatte, besuchten wir verschiedene Lager in unterschiedlichen Branchen – von Lebensmitteln über Mode bis hin zu Schmuck. Wir besuchten über 20 verschiedene Lager. Dabei stellten wir fest, dass die Kommissionierung in allen Lagern sehr eintönig war. Sie umfasste im Wesentlichen zwei Tätigkeiten: das Herumlaufen im Lager und das Greifen nach dem Artikel aus dem Regal oder Behälter. Doch gleichzeitig wurde uns auch klar, dass die Kommissionierung noch in den Kinderschuhen steckt. Zwar gibt es einige Unternehmen, die überbewertet sind, und Right Hand Robotics, die sich sehr ernsthaft mit der Kommissionierung beschäftigen. Aber wenn man bedenkt, dass KI selbst als Technologie noch recht jung war und auch die Kommissionierung im Allgemeinen noch in den Kinderschuhen steckte, kamen wir zum bildbasierten Kommissionieren – wir erkannten das Potenzial.   

Satish Shukla – Es ist wirklich mutig von Ihnen, nach dem Lesen des Zeitungsartikels Kontakt zu jemandem aufzunehmen. Das macht ja nicht jeder. Aber man braucht definitiv eine besondere Art von Mut, eine gewisse Kühnheit, um ein Unternehmen zu gründen.   

Adityanag – Ja, ja. Wissen Sie, ich bin überrascht, wie gut das geklappt hat.   

Satish Shukla – Ja, aber es ist toll, dass alles geklappt hat. Zurück zum Lager: Dort gibt es viele sich wiederholende, eintönige, schmutzige und gefährliche Arbeiten, die automatisiert werden müssen. Viele Unternehmen, darunter auch Addverb, automatisieren ihre Prozesse. Ja. Es gibt bereits Kommissionierroboter. Es gibt zum Beispiel Knickarmroboter, die schwere Paletten beladen. Ja, die werden auch beim Schweißen eingesetzt. Dann gibt es noch SCARA-Roboter, die Pick-and-Place-Operationen durchführen. Ja. Könnten Sie unseren Zuhörern erklären, wie Bildverarbeitung diese Kommissionierprozesse verändert? Und wo kommen Sie ins Spiel?   

Adityanag – Ja. Die Fertigungsindustrie nutzt Roboterarme schon sehr lange. Vor allem die Automobilindustrie. Genau. Wenn wir uns die Montagelinien von Maruti ansehen, gibt es dort eine ganze Reihe von Robotern. (Ja) Die meisten davon sind bisher so programmiert, dass sie exakte Aktionen von Punkt A nach Punkt B ausführen. Es gab keine Erweiterung des Funktionsumfangs. Denn sie wurden als Werkzeug eingesetzt, das sich einfach von einem Punkt zum anderen bewegte, eine kleine Arbeit erledigte und zum Ausgangspunkt zurückkehrte. Sie nahmen ihre Umgebung nicht wahr. Sie taten nichts weiter. Und wenn man sich die Struktur unserer Welt ansieht, ist sie überhaupt nicht richtungsweisend. In Regalen, Kleiderschränken oder Lagerhallen liegen die Gegenstände oft einfach herum. Die Dinge sind nicht immer ordentlich gestapelt. Es könnte sein, dass es einen Haufen Gegenstände gibt. Sie werden nie ordentlich aufbewahrt. (Und dann gibt es im E-Commerce oder Lebensmittelhandel mehr als 10.000 bis 12.000 Artikelnummern.) Ja, ja. Tatsächlich sind es sogar noch mehr. Im E-Commerce sind es Millionen. Stimmt. Die Welt ist also nicht so strukturiert, wie es ein Roboter immer tun kann, also einfach nur eine einfache Bewegung von A nach B. Was man braucht, ist ein gewisses Maß an Intelligenz, um das Gesamtbild zu erfassen. Und dann braucht man eine Art von Bildverarbeitung und Manipulation, die einem hilft, den Artikel auszuwählen. Und beim Auswählen selbst muss man sich ansehen, was ich tue, also welche Art von Artikeln ich auswähle. Dann muss man sich fragen, woher ich sie nehme und womit ich sie auswähle. Also zum Beispiel: Ich nehme sie aus einem Behälter, aus einem Regal, aus einem Karton oder von einer Palette. All diese Anwendungsfälle, und dann nehme ich sie nicht, sondern ich nehme Obst und Gemüse. Oder Kosmetikartikel, oder ihr alle nehmt Schmuck. Das ist ein Objekt, etwa so groß wie ein Quader. Und welcher Greifer passt dazu? Ein Sauggreifer? Ein Zweifingergreifer? Wenn man all diese Anwendungsfälle zusammen betrachtet, kann man sie nicht einzeln lösen. (Was meinen Sie damit, dass man sie nicht einzeln lösen kann?) Ich meine, die Basisarchitektur einer solchen Lösung muss im Laufe der Zeit skalierbar sein und diese Anwendungsfälle bewältigen können. Man kann sie nicht nacheinander neu implementieren. (Die Architektur sollte also so beschaffen sein, dass sie mit zunehmender Datenmenge nicht größer wird und weiterhin den gewünschten Durchsatz liefert.) Genau. Und wir sollten nicht alles von Grund auf neu entwickeln müssen. Aus all diesen Gründen. Unser Ziel war es also, diese Intelligenzebene zu entwickeln, die uns weiß, was wir greifen müssen, wie wir es am besten greifen, um die Behälterentnahme selbst zu optimieren. Wenn ich mir also einen Behälter ansehe, erhalte ich ein 2D-Bild. Ich verwende eine Tiefenkamera und erhalte dadurch auch Tiefeninformationen. Aus diesem Bild muss ich herausfinden, wo sich die Objekte im und um den Behälter herum befinden und welches Objekt sich am besten zum Aufnehmen eignet. Es könnten beispielsweise zehn Objekte sein. Ich muss sie so sortieren, dass ich das am einfachsten zu entnehmende Objekt auswählen kann. Und selbst bei diesem Objekt muss ich den besten Greifpunkt finden. An manchen Stellen stößt der Saugnapf an. Dort kann ich ihn nicht ansetzen, er würde ihn nicht greifen. Daher muss ich den optimalen Greifpunkt an dem Objekt ermitteln.   

Satish Shukla – Ja, das ist sehr wichtig. Man sollte das Produkt nicht beschädigen.   

Adityanag – Genau. Und darüber hinaus kommt die Anwendungsebene der Intelligenz hinzu. Jemand könnte zum Beispiel im Lebensmittelhandel sagen: „Ich möchte keine bereits verdorbenen Waren anfassen.“ Bei Obst und Gemüse kann ich nicht denselben Saugdruck auf eine Tomate ausüben, sie würde platzen. Ich muss diese Art von Intelligenz entwickeln, damit sie all diese Waren handhaben kann, genau wie ein Mensch. Man weiß ja, wie man ein Ei anders anfasst als eine Tomate. Wie bringt man einer Maschine diese Art von Intelligenz bei?   

Satish Shukla – Mithilfe von Bildverarbeitungssystemen agieren wir also als Intelligenz. Die Roboter werden im Prinzip genauso sehen können wie wir Menschen und daraufhin Entscheidungen treffen. Für uns ist das allerdings sehr sinnlos. Sehen und handeln. Sie würden also auch Reparaturen für verschiedene Arten von Küchengeräten entwickeln.   

Adityanag – Ja, das würden wir. Ich weiß, wir nutzen derzeit Saugtechnologie, die sich für einen anderen Anwendungsfall im Lager, den wir anstreben – die Kommissionierung aus Behältern –, als sehr effektiv erwiesen hat. Wir gehen aber davon aus, dass wir zukünftig für verschiedene Anwendungsfälle unterschiedliche Greifer benötigen werden und diese entwickeln müssen, sofern die Technologie noch praktikabel ist.    

Satish Shukla – Weil jede Objektorientierung, so hieß es, die Reparatur sehr schwierig machen würde. (Ja, gut. Sehr gut. Welche Erkenntnisse haben Sie also während der Entwicklung dieser Lösung gewonnen, oder welche Aha-Momente gab es, die Sie mit unserem Publikum teilen könnten?)   

Adityanag – Ja, das klingt alles ganz einfach, nicht wahr? Die Bandbreite an Artikeln, die uns im Alltag begegnen, ist enorm. Das ist uns oft gar nicht bewusst. Aber die Art, wie man eine Visitenkarte, eine Nadel oder eine schwere AATA-Tasche auswählt, ist völlig unterschiedlich. Deshalb empfehlen wir, dass selbst bei 5.000 oder 6.000 Artikeln in einem Dark Store die Kommissionierung nicht so einfach ist, dass jeder Mitarbeiter alles bearbeiten kann. Ja, der Markt für Kommissionierung ist riesig. Selbst wenn ich alle Verbesserungen in der Handhabung berücksichtigt habe, ist für jede Artikelmenge ein gutes Konto erforderlich, da sich die Kommissionierung von 200 Artikeln stark unterscheidet. (Genau.) Also, es ist nicht so einfach. Ja, richtig. Derselbe Kommissionierer kann also alles bearbeiten. Unsere wichtigste Erkenntnis war also, die robotergestützte Kommissionierung universell einsetzbar zu machen, sodass sie eine breite Palette von Artikeln abdeckt und schließlich in jedem Lager flächendeckend verfügbar ist. Es ist noch ein langer und schwieriger Weg.  

Satish Shukla – Okay. Und Sie werden diese Intelligenz im Roboter selbst implementieren oder in der Cloud, und es geht darum, wie Sie damit umgehen können.   

Adityanag – Wir haben das System so aufgebaut, dass es völlig unabhängig vom Roboter funktioniert. Okay. Basierend auf Ihrer bisherigen Anwendung ist es also hardwareunabhängig. Ja. Es bietet eine umfassende Diagnosefunktion. Wir nutzen Interviewer Sense, eine Technologie, die nicht einmal teure Bildverarbeitungstechnik erfordert. Sie ist leicht verfügbar. Die Idee war immer, vorhandene, ausgereifte Hardware zu nutzen und zu sehen, wie weit man damit kommt.   

Satish Shukla – Okay. Seit wann verleihen Sie Robotern mit diesem Bildverarbeitungssystem Intelligenz? Glauben Sie, dass es für Menschen und Roboter einfacher wäre, mit Bildverarbeitung zusammenzuarbeiten? Haben Sie solche Anwendungsfälle?   

Adityanag – Aktuell gibt es noch nicht viele Anwendungsfälle, in denen Mensch und Roboter Seite an Seite arbeiten müssen. Ich gehe aber davon aus, dass sich das mit der zunehmenden Verbreitung und Erschwinglichkeit von Cobots ändern wird. Cobots wären also kollaborative Roboter? Genau, kollaborative Roboter. Wir können die Arbeit und die Außenansicht nutzen, zum Beispiel in der Kosmetikindustrie beim Verpacken. (Ja.) Eine Person kann eine Schachtel herstellen, und die Arbeit wird zurückgebracht, um den Inhalt zu sehen. Das verbessert den Durchsatz und reduziert die Arbeitsbelastung der Person. Ja. Das sind Anwendungsfälle, die wir in Zukunft nutzen können. Denn die Schachtel ist vielleicht etwas schwieriger für einen Roboter. Ja, weil mehr Geschicklichkeit erforderlich ist. Ja. Wir brauchen also Unterstützung für den Menschen, aber die Belohnungsartikel werden in die Schachtel fallen gelassen, die dann über ein einziges Förderband zurückgebracht werden. Diese Anwendungsfälle werden wir definitiv erforschen.   

Satish Shukla – Ja. Ich habe bereits erwähnt, dass viele Produkte schon von A nach B transportiert werden, aber die Kommissionierung ist wohl der Bereich, der noch mehr Innovation erfordert. Genau. Denn aktuell ist das der personalintensivste Prozess in Lagern. Ja. Wenn man also die Erfahrung und Expertise sammelt, die man bei der Entwicklung von Bildverarbeitungslösungen für intelligente Roboter sammelt, welche Produkte möchten Sie in Zukunft entwickeln oder welchen Fahrplan möchten Sie für die Zukunft verfolgen?   

Adityanag – Ich denke, der Schlüssel liegt darin, wie schnell und worum es genau geht. Die entscheidende Frage ist: Ich führe eine Aktion aus. Okay. Hier ist eine Kamera, die bereits lernt und Anweisungen gibt, was zu tun ist. Ja. Wenn wir das erreichen, werden wir diese Lösungen extrem schnell implementieren können. Denn wir sind überzeugt, dass die Hardwarekosten weiter sinken werden. Okay. Mit der Zeit und durch den vermehrten Einsatz von Roboterarmen werden die Kosten sinken, aber sie für alles trainieren zu müssen, was Monate dauert, ist keine Option. Wie schnell können wir ihnen also diese Intelligenz verleihen, die es ermöglicht, eine echte menschliche Interaktion zu duplizieren? Genau darauf wird sich unsere Forschung und Entwicklung konzentrieren.   

Satish Shukla – Okay. Das wird interessant. Ja. Wir haben viele Hörer, die von verschiedenen Ingenieurhochschulen kommen. Und das ist ein Bereich, in dem viele Studierende nach Möglichkeiten suchen, zu arbeiten und Projekte zu realisieren. Da Sie sich intensiv mit Bildverarbeitung beschäftigt haben: Welche Tipps und Tricks würden Sie jemandem mitgeben, der ein Projekt in diesem Bereich umsetzen oder lernen möchte, wie man in diesem Bereich vorgeht?   

Adityanag – Die meisten Absolventen, mit denen wir in letzter Zeit gesprochen haben, arbeiten bereits an vielen Projekten. Jeder ist mindestens einmal im F1-Rennteam dabei. Und an jeder Hochschule mit einem Robotik-Club gibt es heutzutage kaum noch einen ohne. Sie arbeiten also schon an Projekten, und das ist ein großartiger Anfang. Deshalb solltet ihr euch in so vielen Clubs wie möglich an eurer Hochschule oder Schule engagieren und selbst Hand anlegen. Ich denke, es braucht die Mentalität des Tüftelns und Ausprobierens. Es ist gut, frühzeitig Dinge zu entwickeln und zu testen. Wenn ihr dann tatsächlich etwas starten könnt, verfügt ihr bereits über grundlegende Fähigkeiten, wie man Dinge zusammenbaut und den ersten Prototyp baut. Was die erforderlichen Fähigkeiten angeht, haben die meisten schon in der Schule mit dem Programmieren angefangen. Aber ich denke, was wir mehr fördern müssen, ist die Bereitschaft zum Selbermachen. Sobald die Leute versuchen, Dinge zu bauen, und zwar auch ohne sich Sorgen darüber zu machen, ob es funktioniert oder nicht, werden wir wohl große Fortschritte machen und wir werden viel mehr Unternehmen sehen, die sich mit solchen Problemen auseinandersetzen.  

Satish Shukla – Das stimmt. Daher meine Frage an alle Unternehmer da draußen: Welche Erkenntnisse aus Ihrer bisherigen Laufbahn würden Sie beispielsweise jemandem mitgeben, der ein Robotikunternehmen gründen möchte?   

Adityanag – Geduld. Zuallererst Geduld. Ich denke, es ist ein viel längerer Weg als in vielen anderen Start-up-Bereichen. Vor allem, weil es sehr interdisziplinär ist. Man braucht Maschinenbau, Elektrotechnik und Softwareentwicklung. Man muss also alle Puzzleteile zusammensetzen, und das braucht Zeit. Das ist also Punkt 1. Was das Produkt angeht – und das war vielleicht schon immer meine Eigenart –, ist es großartig, wenn man sein Produkt in den Kofferraum packt und es dem Kunden vorführt. Ich weiß nicht, ob unser Produkt dafür geeignet ist, aber wenn man beispielsweise eine Bodenreinigungslösung entwickelt, kann man sie einfach in den Kofferraum packen und vorführen. Ich denke, die Vorführbarkeit bzw. die einfache Vorführbarkeit spielt eine große Rolle, um die ersten Verträge abzuschließen und ein positives Feedback vom Kunden zu erhalten, anstatt ihn erst zu sich einladen und ihm das Produkt vorführen zu müssen. Ein weiterer wichtiger Punkt war die Integration. Sind Sie also darauf angewiesen, dass bestimmte Systemkomponenten vorhanden sind? (Ja.) Müssen Sie sich sehr schnell in den verwendeten Software-Stack integrieren? Das betrifft den gesamten Zyklus. Das ist eine der Erkenntnisse, die ich gewonnen habe. Und was die benötigten Fähigkeiten angeht, ja, man muss die anderen Entwickler einbeziehen und nach Leuten suchen, die bereits etwas entwickelt haben. 

Satish Shukla – Das war sehr interessant. Ja. Um zum Schluss noch etwas Erfreulicheres zu sagen: Wie ich verstanden habe, erhält der Roboter mit Ihrem Bildverarbeitungssystem quasi Augen und kann damit die Umgebung um die Beine herum erfassen. Richtig. Können Sie also erwarten, dass diese Roboter dank Ihrer Intelligenz eines Tages bei der Partnerwahl für Menschen helfen können?  

Adityanag – Ich denke, das ist derzeit eine Aufgabe, die am besten den Menschen überlassen bleibt. Ich möchte kein Risiko eingehen. Aber heutzutage wird diese Aufgabe auch von Dating-Seiten übernommen. Könnten wir also einen Roboter im Inneren haben? 

Adityanag – Nicht ohne menschliche Bestätigung. Es führt dich zwar zu einem Datum, aber nicht darüber hinaus. Ich denke, wir sollten es vorerst dabei belassen. Und uns wahrscheinlich um die Probleme mit Fabriken und Echtzeit kümmern. Danke, tatsächlich. Ja. Okay. Niemand wird jetzt sein Leben lang fluchen.  

Satish Shukla – Das stimmt. Vielen Dank. Danke für Ihre Zeit. Es war mir ein Vergnügen, mit Ihnen zu sprechen.  

Adityanag – Vielen Dank, dass ich hier sein darf.  

Satish Shukla – Danke.